binding_affinity
קוד פתוחjglaserרישיון לא דווח2022-03-02
המאגר מרכז 1.9 מיליון זוגות של רצפי חלבון ומולקולות עם זיקת קישור שנמדדה בניסויים. הוא מתאים למי שמאמן מודלי שפה לחיזוי אינטראקציות ביולוגיות ומחפש נתונים מעובדים מראש.
- 1,494הורדות בחודש
- 21לייקים
מה זה
הנתונים מורכבים מזוגות ייחודיים של רצפי חלבונים ומחרוזות SMILES של ליגנדים, לצד ערכי זיקת קישור שנמדדו במעבדה. הרשומות נאספו מארבעה מקורות מידע מרכזיים בתחום: BindingDB, PDBbind-cn, BioLIP ו־BindingMOAD. המפרסם איחד את כל המקורות הללו לקובץ מעובד אחד כדי לחסוך עבודת ניקוי ידנית.
בנוסף לקובץ המלא, המאגר כולל חלוקה מיוחדת בשם train_no_kras שממנה סוננו חלבוני KRAS. החלוקה הזו מיועדת לבדיקת יכולת ההכללה של מודלים על חלבונים ספציפיים שלא נכללו כלל באימון. מי שמעוניין לשחזר את העיבוד המקורי מקבל במאגר מחברות ג׳ופיטר וסקריפטים מלאים שמראים בדיוק איך המידע מכל מאגר עובד, סונן ואוחד.
התוכן נשען על קבצים שהורדו ישירות מהאתרים הרשמיים של אותם מאגרים, כמו קובצי אינדקס, מבנים מעודנים וקובצי TSV ו־CSV. תהליך ההכנה של חלק מהמאגרים דרש עיבוד מקבילי באמצעות MPI על קלאסטר כדי לחלץ את המאפיינים, ולאחר מכן הורצה מחברת מאחדת שסיננה את הרשומות לפורמט הסופי.
מתאים ל
- אימון מודל לחיזוי זיקה
התאמת מודלי שפה על רצפי חלבון ונוסחאות SMILES כדי להעריך עוצמת קישור ביולוגי.
- בדיקת יכולת הכללה
שימוש בסט train_no_kras לבחינת ביצועי מודל על משפחת חלבונים שלא נצפתה כלל באימון.
- סינון ראשוני לפיתוח תרופות
דירוג חישובי מהיר של מולקולות מועמדות לקישור מול מטרות חלבוניות ידועות.
איפה זה נופל
הכרטיס לא מציין באילו יחידות מידה מופיעים ערכי הזיקה ואיך נורמלו ההבדלים בין ארבעת המקורות השונים, מה שמחייב בדיקה ידנית לפני שמתחילים לאמן. בנוסף, הנתונים מתבססים על הורדות מגרסאות ספציפיות כמו BindingDB מאפריל 2021 או BioLIP מ־2013, כך שחסר מידע ניסויי חדש יותר. אם המודל מיועד לחיזוי מולקולות שחורגות מהטווח הקיים במאגרים הללו, הוא עלול להיכשל בחוסר הכללה.
שאלות
נפוצות
האם מותר להשתמש במאגר לפרויקט מסחרי?
הרישיון של המאגר לא דווח כלל בעמוד שלו. מעבר לזה, הנתונים נאספו מארבעה מקורות חיצוניים שלכל אחד מהם תנאי שימוש משלו, כמו PDBbind שמחייב הרשמה. אי אפשר להניח שהשימוש המסחרי מותר מבלי לבדוק את הרישיונות המקוריים.
איך הנתונים נאספו ועובדו למאגר אחד?
המפרסם הוריד מסדי נתונים גולמיים מ־BindingDB, PDBbind-cn, BioLIP ו־BindingMOAD. לאחר מכן הורצו סקריפטים לחישוב מקבילי בקלאסטר כדי לעבד את המבנים והאינדקסים. לבסוף, מחברת איחוד חיברה וסיננה את כל המקורות לקובץ Parquet בודד המכיל 1.9 מיליון זוגות.
האם יש במאגר טקסט בעברית או תמיכה בשפות?
המאגר אינו מכיל טקסט בשפה טבעית כלל, לא בעברית ולא באנגלית. כל הרשומות מורכבות מאותיות המייצגות רצפי חומצות אמינו של חלבונים, מחרוזות SMILES לתיאור מולקולות כימיות, ומספרים של מדידות זיקה. השדות מיועדים למודלים כימיים וביולוגיים בלבד.
מה הגודל של המאגר ואיך ניגשים לקבצים?
המאגר כולל 861 קבצים בסך הכל, כולל סקריפטים ומחברות עבודה. הנתונים המעובדים עצמם מרוכזים בקובץ all.parquet שדורש git LFS להורדה ידנית. אפשר גם למשוך את הנתונים ישירות בקוד פייתון בעזרת ספריית datasets.
איך טוענים
טעינת המידע נעשית ישירות דרך ספריית datasets באמצעות load_dataset עם המזהה jglaser/binding_affinity. אפשר לטעון ישירות את החלוקה לאימון ולוולידציה באחוזים, למשל תשעים אחוז לאימון ועשרה אחוז לבדיקה, או למשוך את החלוקה ללא חלבוני KRAS. הגישה למאגר פתוחה לחלוטין ואין צורך בהרשאה מיוחדת בהאגינג פייס.
אם רוצים להוריד את הקבצים ידנית, הנתונים המעובדים שמורים בפורמט Parquet תחת הנתיב data/all.parquet. לשם כך חייבים להתקין תמיכה ב־git LFS כדי למשוך את הקובץ בשלמותו. השדות הקריטיים לשימוש הם רצף החלבון, מבנה המולקולה בפורמט SMILES וערך הזיקה הניסויי. מי שרוצה להריץ מחדש את צינור העיבוד המלא יצטרך לפתוח חשבון עצמאי ב־PDBbind-cn ולהוריד מאות קבצים ידנית.
from datasets import load_dataset
ds = load_dataset("jglaser/binding_affinity")הרישיון
למאגר לא דווח רישיון בהאגינג פייס. המשמעות היא שאין הרשאה ברורה להשתמש בו לצרכים מסחריים, וזכויות היוצרים עלולות להיות כפופות לתנאי השימוש הנפרדים של ארבעת המקורות שמהם המידע נאסף. לפני אימון מודל לצורך מוצר, חובה לבדוק את הרישיונות המקוריים של PDBbind, BioLIP, BindingDB ו־BindingMOAD כדי למנוע חשיפה משפטית.